Qwen3.8-Flash-Next.. النموذج المفتوح الذي يمهّد لمعمارية Qwen4

لم تطلق Alibaba نموذج Qwen4 بعد، لكنها كشفت في 26 أغسطس 2026 عن أقرب نظرة عملية إلى البنية التي تخطط لاستخدامها في هذه العائلة. يحمل النموذج اسم Qwen3.8-Flash-Next، وهو إصدار مفتوح الأوزان ومتعدد الوسائط صممته Qwen بوصفه معاينة تقنية قابلة للفحص والتجربة. 1215

الفكرة الأساسية ليست تقديم نموذج رائد نهائي، بل فتح مخطط معماري مبكر أمام المطورين والباحثين، حتى يتمكنوا من اختبار أدوات التشغيل والتكميم ودعم العتاد قبل وصول عائلة Qwen4 الأوسع. 2315

ما الفرق بين Qwen3.8-Flash وQwen3.8-Flash-Next؟

يشير اسم Qwen3.8-Flash-Next إلى النموذج المفتوح الذي يمكن تنزيل أوزانه وفحصها. أما Qwen3.8-Flash فيشير إلى النسخة الموجهة للإنتاج وخدمات واجهة البرمجة API. لذلك لا ينبغي قراءة اسم النموذج المفتوح على أنه إعلان عن إطلاق Qwen4، بل باعتباره نموذجًا تجريبيًا مبكرًا يستعرض التقنيات التي ستبنى عليها العائلة المقبلة. 1215

المواصفات الأساسية

• موعد الإطلاق: 26 أغسطس 2026، مع متابعة إعلامية في 27 أغسطس. 1215
• المعلمات الأساسية: 125 مليار معلمة. 15
• تضمينات N-gram الإضافية: 51 مليار معلمة. 415
• المعلمات النشطة لكل رمز: نحو 6 مليارات فقط. 15
• نافذة السياق الأصلية: 262,144 رمزًا، مع إمكانية التمديد إلى مليون رمز عبر YaRN. 1416
• المدخلات: نصوص وصور ضمن تصميم متعدد الوسائط. 1516
• الإتاحة: نسخ قياسية ونسخ FP8 مفتوحة الأوزان على Hugging Face وModelScope. 38

وهنا توجد نقطة مهمة: رقم مليون رمز ليس الحد الأصلي للنموذج. فإعداد التشغيل القياسي يدعم 262,144 رمزًا، بينما يتطلب الوصول إلى نافذة المليون استخدام تمديد YaRN؛ ولذلك ينبغي تقييمه بوصفه إعدادًا موسعًا لا قدرة أصلية افتراضية. 1416

لماذا تُعد البنية الجديدة مهمة؟

انتباه هجين للسياقات الطويلة

تجمع Qwen بين تقنيتين مختلفتين نسبيًا: Gated DeltaNet (GDN) وQwen Sparse Attention (QSA). تهدف GDN إلى ضغط المعلومات المتراكمة من السياق السابق، بينما تستخدم QSA فهرسًا خفيفًا للعثور على الكتل الصغيرة الأكثر صلة واختيارها، بدل تطبيق الانتباه الكامل على كل تاريخ المحادثة أو المستند. 4

الهدف هو الحد من ارتفاع تكلفة الاستدلال كلما طال تسلسل الرموز. وتقول Qwen إن هذا التصميم حقق تسارعًا يصل إلى 7.6 مرات في مرحلة الإدخال و4.9 مرات أثناء فك الترميز عند التعامل مع تسلسلات يبلغ طولها مليون رمز. لكن هذه أرقام معلنة من الشركة، وتتأثر بالعتاد والتنفيذ وطول التسلسل وإعدادات الاختبار، ولا تمثل نتيجة مضمونة في كل بيئة تشغيل. 4

سعة أكبر من دون معالجة كاملة لكل رمز

تضيف وحدة N-gram Embedding سعة تمثيلية كبيرة، مع عدم الحاجة إلى معالجة جميع المعلمات البالغ عددها 125 مليارًا عند كل رمز. كما يتيح التصميم نقل جدول التضمينات إلى ذاكرة المضيف، مع جلب البيانات مسبقًا وبصورة غير متزامنة، بحيث تتداخل عمليات النقل مع حسابات النموذج. 4

وهذا مهم عمليًا لمشغلي النماذج الكبيرة؛ إذ قد تصبح حركة البيانات ومكان تخزين الذاكرة عاملين حاسمين بقدر عدد المعلمات نفسه، خصوصًا عند تحليل مستندات ضخمة أو تشغيل دفعات كبيرة من الطلبات.

تغييرات في التدريب والتحسين

لا تقتصر المعاينة على استبدال طبقة الانتباه. فقد أشارت Qwen أيضًا إلى استخدام مُحسِّن Muon، وإجراء تعديلات على تفاعله مع AdamW وطريقة التعامل مع المعلمات، إلى جانب ملاءمة قانون تحجيم جديد لهذا التصميم. 4

وبذلك يقدم الإصدار اختبارًا علنيًا لوصفة أوسع لبناء نماذج تجمع بين سعة إجمالية كبيرة وحسابات نشطة محدودة نسبيًا لكل رمز.

الأداء والتكلفة والسعر

تقول Qwen إن تدريب Qwen3.8-Flash احتاج إلى نحو عُشر تكلفة تدريب Qwen3.7-Plus تقريبًا، مع تحسن في أداء البرمجة والمهام المكتبية. ونقلت Reuters بصورة مستقلة عن إفصاحات الشركة أن النموذج جاء بأداء أقوى في هذه المهام مع خفض تكاليف التدريب. 14

وتشير أرقام الإصدار إلى نتائج بلغت 58.7 في DeepSWE 1.1، و62.5 في SWE-bench Pro، و84.5 في AndroidWorld. وتضع Qwen هذه النتائج أمام DeepSeek V4 Flash ضمن فئة النماذج ذات القيمة العالية. غير أن هذه المقارنات تظل معلنة من الشركة، ولا تثبت المواد المتاحة إعادة إنتاجها بصورة مستقلة وتحت ظروف تقييم متطابقة. 4

أما السعر المعلن لخدمة Qwen3.8-Flash الإنتاجية، فهو 1 يوان لكل مليون رمز إدخال و3 يوانات لكل مليون رمز إخراج، من دون ذكر تمييز بين أوقات الذروة وخارجها في مواد الإصدار. وتبقى مقارنة الأسعار بين النماذج مرتبطة بنوع المهمة، وإصدار النموذج، والتخزين المؤقت، وطول السياق، ومستوى الخدمة، ومتطلبات المخرجات. 14

ماذا يعني الإصدار للمطورين؟

تمنح الأوزان المفتوحة المطورين فرصة لاختبار اتجاه Qwen4 قبل وصول العائلة النهائية. ويمكنهم البدء في تكييف أدوات الاستدلال، وتجربة التكميم وطرق الخدمة، وقياس سلوك النموذج على بياناتهم الخاصة بدل انتظار إصدار Qwen4 مكتمل. 2315

وقد يكون التصميم مناسبًا بصورة خاصة لسيناريوهات تتأثر بطول السياق أو تكلفة الرموز، مثل:

• تحليل المستندات الكبيرة والمواد البحثية؛
• المساعدة البرمجية على مستوى مستودعات كاملة؛
• الوكلاء الذين يستخدمون الأدوات ويعملون لفترات طويلة؛
• المحادثات الممتدة التي تراكم حالة وسياقًا كبيرين؛
• المعالجة الدفعية واسعة النطاق للبيانات النصية والمرئية.

لكن هذه استخدامات منطقية توحي بها بنية النموذج، وليست ضمانًا لتفوقه على كل نموذج كثيف أو كل بديل يعتمد على الانتباه الكامل. فالنتيجة الاقتصادية الفعلية ستعتمد على العتاد، وبرمجيات التشغيل، وجودة التكميم، واستراتيجية الاسترجاع، وطبيعة عبء العمل.

الخلاصة: مخطط قابل للاختبار لا حكم نهائي

تكمن أهمية Qwen3.8-Flash-Next في أنه يفتح اتجاهًا معماريًا مبكرًا أمام المجتمع التقني. فهو يوفر وسيلة عملية لاختبار ما إذا كان الجمع بين الانتباه المتناثر والمضغوط، وتضمينات مساعدة كبيرة، وعدد منخفض من المعلمات النشطة، يمكن أن يجعل معالجة السياقات شديدة الطول أسرع وأقل تكلفة من دون خسارة مقبولة في الجودة.

في المقابل، فإن أقوى الأرقام المتعلقة بالتسارع، ونتائج المعايير، وخفض تكلفة التدريب، والقيمة مقارنة بالمنافسين، تأتي أساسًا من Qwen أو من تقارير تستند إلى إفصاحاتها. لذلك ما زالت هناك حاجة إلى اختبارات مستقلة عبر عتاد ولغات وأطوال سياق ومهام متعددة الوسائط وسير عمل للوكلاء في بيئات إنتاجية.

والخلاصة الأكثر دقة ليست أن النموذج «يتفوق على جميع المنافسين»، بل أنه معاينة تقنية مفتوحة ومتعددة الوسائط لبنية Qwen4، تمنح المطورين نظرة مبكرة وغير اعتيادية إلى الطريقة التي تستعد بها Alibaba لجعل الذكاء الاصطناعي ذي السياق الطويل أكثر كفاءة.